Este trabalho propõe um modelo de seleção de carteiras baseado em otimização robusta contextual, no qual a incerteza sobre os retornos futuros é modelada de forma orientada por dados. A cada período, o vetor de retornos do período seguinte é assumido pertencer a um conjunto de incerteza poliedral construído por meio do algoritmo dos 𝑘-vizinhos mais próximos (KNN), a partir de cenários históricos associados a contextos semelhantes ao atual. Sobre esse conjunto, formula-se um problema de programação linear que maximiza a riqueza mínima da carteira no período seguinte, incorporando custos proporcionais de transação e proibindo vendas a descoberto. O modelo é avaliado em um estudo de caso com dados de mercado, comparando seu desempenho com estratégias de referência em termos de retorno, volatilidade, índice de Sharpe e medidas de risco. São analisados indicadores de robustez associados à variável de pior caso, como a taxa de violação dos limites de riqueza garantidos pelo modelo.